---

🎯 项目介绍

  如果说 2024 年是“百模大战”的元年，那么 2025 年无疑开启了“Agent 元年”。技术的焦点正从训练更大的基础模型，转向构建更聪明的智能体（Agent）应用。然而，当前系统性、重实践的教程却极度匮乏。为此，我们发起了 Hello-Agents 项目，希望能为社区提供一本从零开始、理论与实战并重的智能体系统构建指南。

  Hello-Agents 是 Datawhale 社区的系统性智能体学习教程。如今 Agent 构建主要分为两派，一派是 Dify、Coze、n8n 这类软件工程类 Agent，其本质是流程驱动的软件开发，LLM（大语言模型，Large Language Model）作为数据处理的后端；另一派则是 AI 原生的 Agent，即真正以 AI 驱动的 Agent。本教程旨在带领大家深入理解并构建后者——真正的 AI Native Agent。教程将带领你穿透框架表象，从智能体的核心原理出发，深入其核心架构，理解其经典范式，并最终亲手构建起属于自己的多智能体应用。我们相信，最好的学习方式就是动手实践。希望这本教程能成为你探索智能体世界的起点，能够从一名大语言模型的“使用者”，蜕变为一名智能体系统的“构建者”。

📚 快速开始

在线阅读

🌐 国外访问 | 🚀 国内加速 - 无需下载，随时随地学习

本地阅读

如果您希望在本地阅读或贡献内容，请参考下方的学习指南。

✨ 你将收获什么？

• 📖 Datawhale 开源免费 完全免费学习本项目所有内容，与社区共同成长
• 🔍 理解核心原理 深入理解智能体的概念、历史与经典范式
• 🏗️ 亲手实现 掌握热门低代码平台和智能体代码框架的使用
• 🛠️ 自研框架HelloAgents 基于 Openai 原生 API 从零构建一个自己的智能体框架
• ⚙️ 掌握高级技能 一步步实现上下文工程（Context Engineering）、Memory（记忆）、协议、评估等系统性技术
• 🤝 模型训练 掌握 Agentic RL（智能体强化学习），从 SFT（监督微调，Supervised Fine-Tuning）到 GRPO 的全流程实战训练 LLM
• 🚀 驱动真实案例 实战开发智能旅行助手、赛博小镇等综合项目
• 📖 求职面试 学习智能体求职相关面试问题

📖 内容导航

章节	关键内容	状态
前言	项目的缘起、背景及读者建议	✅
第一部分：智能体与语言模型基础
第一章 初识智能体	智能体定义、类型、范式与应用	✅
第二章 智能体发展史	从符号主义到 LLM 驱动的智能体演进	✅
第三章 大语言模型基础	Transformer、提示（Prompting）、主流 LLM 及其局限	✅
第二部分：构建你的大语言模型智能体
第四章 智能体经典范式构建	手把手实现 ReAct、Plan-and-Solve、Reflection	✅
第五章 基于低代码平台的智能体搭建	了解 Coze、Dify、n8n 等低代码智能体平台使用	✅
第六章 框架开发实践	AutoGen、AgentScope、LangGraph 等主流框架应用	✅
第七章 构建你的Agent框架	从 0 开始构建智能体框架	✅
第三部分：高级知识扩展
第八章 记忆与检索	记忆系统，RAG（检索增强生成，Retrieval-Augmented Generation），存储	✅
第九章 上下文工程	持续交互的“情境理解”	✅
第十章 智能体通信协议	MCP、A2A、ANP 等协议解析	✅
第十一章 Agentic-RL	从 SFT 到 GRPO 的 LLM 训练实战	✅
第十二章 智能体性能评估	核心指标、基准测试与评估框架	✅
第四部分：综合案例进阶
第十三章 智能旅行助手	MCP 与多智能体协作的真实世界应用	✅
第十四章 自动化深度研究智能体	DeepResearch Agent 复现与解析	✅
第十五章 构建赛博小镇	Agent 与游戏的结合，模拟社会动态	✅
第五部分：毕业设计及未来展望
第十六章 毕业设计	构建属于你的完整多智能体应用	✅

社区贡献精选 (Community Blog)

  欢迎大家将在学习 Hello-Agents 或 Agent（智能体）相关技术中的独到见解、实践总结，以 PR 的形式贡献到社区精选。如果是独立于正文的内容，也可以投稿至 Extra-Chapter！期待你的第一次贡献！

社区精选	内容总结
00-共创毕业设计	社区共创毕业设计项目
01-Agent面试题总结	Agent 岗位相关面试问题
01-Agent面试题答案	相关面试问题答案
02-上下文工程内容补充	上下文工程（Context Engineering）内容扩展
03-Dify智能体创建保姆级教程	Dify智能体创建保姆级教程
04-Hello-agents课程常见问题	Datawhale课程常见问题
05-Agent Skills与MCP对比解读	Agent Skills 与 MCP（Model Context Protocol）技术对比
06-GUI Agent科普与实战	GUI Agent（图形用户界面智能体）科普与多场景实战
07-环境配置	环境配置
08-如何写出好的Skill	Skill（技能模块）写作最佳实践
09-Agent应用开发实践踩坑与经验分享	Code Agent 应用开发踩坑与经验总结

PDF 版本下载

  本 Hello-Agents PDF 教程完全开源免费。为防止各类营销号加水印后贩卖给多智能体系统初学者，我们特地在 PDF 文件中预先添加了不影响阅读的 Datawhale 开源标志水印，敬请谅解～

Hello-Agents PDF : https://github.com/datawhalechina/hello-agents/releases/tag/V1.0.0
Hello-Agents PDF 国内下载地址 : https://www.datawhale.cn/learn/summary/239

💡 如何学习

  欢迎你，未来的智能系统构建者！在开启这段激动人心的旅程之前，请允许我们给你一些清晰的指引。

  本项目内容兼顾理论与实战，旨在帮助你系统性地掌握从单个智能体（Agent）到多智能体系统的设计与开发全流程。因此，尤其适合有一定编程基础的 AI 开发者、软件工程师、在校学生 以及对前沿 AI 技术抱有浓厚兴趣的 自学者。在学习本项目之前，我们希望你具备基础的 Python 编程能力，并对大语言模型（LLM, Large Language Model）有基本的概念性了解（例如，知道如何通过 API 调用一个 LLM）。项目的重点是应用与构建，因此你无需具备深厚的算法或模型训练背景。

  项目分为五大部分，每一部分都是通往下一阶段的坚实阶梯：

• 第一部分：智能体与语言模型基础（第一章～第三章），我们将从智能体的定义、类型与发展历史讲起，为你梳理"智能体"这一概念的来龙去脉。随后，我们会快速巩固大语言模型的核心知识，为你的实践之旅打下坚实的理论地基。

• 第二部分：构建你的大语言模型智能体（第四章～第七章），这是你动手实践的起点。你将亲手实现 ReAct 等经典范式，体验 Coze 等低代码平台的便捷，并掌握 Langgraph 等主流框架的应用。最终，我们还会带你从零开始构建一个属于自己的智能体框架，让你兼具“用轮子”与“造轮子”的能力。

• 第三部分：高级知识扩展（第八章～第十二章），在这一部分，你的智能体将“学会”思考与协作。我们将使用第二部分的自研框架，深入探索记忆与检索、上下文工程、Agent 训练等核心技术，并学习多智能体间的通信协议。最终，你将掌握评估智能体系统性能的专业方法。

• 第四部分：综合案例进阶（第十三章～第十五章），这里是理论与实践的交汇点。你将把所学融会贯通，亲手打造智能旅行助手、自动化深度研究智能体，乃至一个模拟社会动态的赛博小镇，在真实有趣的项目中淬炼你的构建能力。

• 第五部分：毕业设计及未来展望（第十六章），在旅程的终点，你将迎来一个毕业设计，构建一个完整的、属于你自己的多智能体应用，全面检验你的学习成果。我们还将与你一同展望智能体的未来，探索激动人心的前沿方向。

  智能体是一个飞速发展且极度依赖实践的领域。为了获得最佳的学习效果，我们在项目的code文件夹内提供了配套的全部代码，强烈建议你将理论与实践相结合。请务必亲手运行、调试甚至修改项目里提供的每一份代码。欢迎你随时关注 Datawhale 以及其他 Agent 相关社区，当遇到问题时，你可以随时在本项目的 issue 区提问。

  现在，准备好进入智能体的奇妙世界了吗？让我们即刻启程！

下一步规划

• 视频课程陆续放出（将会更加细致，实践课带领大家从设计思路到实施，授人以鱼也授人以渔）
• HelloAgents框架已经更新V1.0.0版本，将会继续完善，增加更多好用，轻量化的工具和特性，兼容学习版本。
• 感谢大家助力3W Star! 之后将会提供调查问卷，供大家填写自己需要学习的智能体训练内容。后续作品《从零开始训练智能体》，帮助每一个学习者掌握从零到一训练自定义场景智能体模型的能力。

🤝 如何贡献

我们是一个开放的开源社区，欢迎任何形式的贡献！

• 🐛 报告 Bug - 发现内容或代码问题，请提交 Issue
• 💡 提出建议 - 对项目有好想法，欢迎发起讨论
• 📝 完善内容 - 帮助改进教程，提交你的 Pull Request
• ✍️ 分享实践 - 在"社区贡献精选"中分享你的学习笔记和项目

🙏 致谢

核心贡献者

• 陈思州-项目负责人 (Datawhale 成员, 全文写作和校对)
• 孙韬-联合发起者 (Datawhale 成员、CAMEL-AI, 第九章内容和校对)
• 姜舒凡-联合发起者（Datawhale 成员, 章节习题设计和校对）
• 黄佩林-Datawhale意向成员 (Agent 开发工程师, 第五章内容贡献者)
• 曾鑫民-Agent工程师 (牛客科技, 第十四章案例开发)
• 朱信忠-指导专家 (Datawhale首席科学家-浙江师范大学杭州人工智能研究院教授)

Extra-Chapter 贡献者

• WH (内容贡献者)
• 周奥杰-DW贡献者团队 (西安交通大学, Extra02 内容贡献)
• 张宸旭-个人开发者(帝国理工学院, Extra03 内容贡献)
• 黄宏晗-DW贡献者团队 (深圳大学, Extra04 内容贡献)
• 王大鹏-Datawhale成员 (高级研发工程师, Extra08 内容贡献)
• 尤逸晖-个人开发者 (南京信息工程大学, Extra09 内容贡献)

特别感谢

• 感谢 @Sm1les 对本项目的帮助与支持
• 感谢所有为本项目做出贡献的开发者们 ❤️

Star History

读者交流群

关于 Datawhale

---

📜 开源协议

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

Hello-Agents 快速上手指南

环境准备

• 操作系统：Linux / macOS / Windows（推荐使用 Linux 或 macOS）
• Python 版本：>= 3.9
• 网络要求：需能访问 OpenAI API（或兼容的国产大模型 API）
• 可选加速：国内用户建议配置镜像源以加速依赖安装

# 推荐设置 pip 国内镜像（如清华源）
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目代码：

git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents

2. 创建并激活虚拟环境（推荐）：

python -m venv venv
source venv/bin/activate  # Linux/macOS
# 或 venv\Scripts\activate  # Windows

3. 安装依赖：

pip install -r requirements.txt

4. 配置 API 密钥（以 OpenAI 为例）：

export OPENAI_API_KEY="your-api-key"
# 或在 Windows 中使用：
# set OPENAI_API_KEY=your-api-key

💡 提示：你也可以使用兼容 OpenAI 协议的国产模型 API（如 DeepSeek、Moonshot、Qwen 等），只需替换 base_url 和 API key。

基本使用

以下是一个使用自研 HelloAgents 框架构建简单智能体的示例：

from helloagents.agent import Agent

# 创建一个基础智能体
agent = Agent(
    name="助手",
    system_prompt="你是一个乐于助人的 AI 助手。",
    model="gpt-4o"  # 可替换为其他支持的模型
)

# 与智能体对话
response = agent.chat("你好！你能做什么？")
print(response)

📌 所有配套代码位于项目根目录的 code/ 文件夹中，建议结合教程章节同步运行对应示例。

更多实战案例（如多智能体协作、旅行助手、赛博小镇等）请参考 在线教程 或本地 docs/ 目录。